Best early-onset Parkinson dementia predictor using ensemble learning among Parkinson's symptoms, rapid eye movement sleep disorder, and neuropsychological profile
Notice bibliographique
Résumé
BACKGROUND: Despite the frequent progression from Parkinson's disease (PD) to Parkinson's disease dementia (PDD), the basis to diagnose early-onset Parkinson dementia (EOPD) in the early stage is still insufficient. AIM: To explore the prediction accuracy of sociodemographic factors, Parkinson's motor symptoms, Parkinson's non-motor symptoms, and rapid eye movement sleep disorder for diagnosing EOPD using PD multicenter registry data. METHODS: This study analyzed 342 Parkinson patients (66 EOPD patients and 276 PD patients with normal cognition), younger than 65 years. An EOPD prediction model was developed using a random forest algorithm and the accuracy of the developed model was compared with the naive Bayesian model and discriminant analysis. RESULTS: The overall accuracy of the random forest was 89.5%, and was higher than that of discriminant analysis (78.3%) and that of the naive Bayesian model (85.8%). In the random forest model, the Korean Mini Mental State Examination (K-MMSE) score, Korean Montreal Cognitive Assessment (K-MoCA), sum of boxes in Clinical Dementia Rating (CDR), global score of CDR, motor score of Untitled Parkinson's Disease Rating (UPDRS), and Korean Instrumental Activities of Daily Living (K-IADL) score were confirmed as the major variables with high weight for EOPD prediction. Among them, the K-MMSE score was the most important factor in the final model. CONCLUSION: , K-MMSE score and K-MoCA score) were predictors with high accuracy in EOPD prediction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».